Bu hakem değerlendirmesinden geçmemiş preprint çalışma, tek bir ışık şiddeti algılayıcısı kullanan tek pikselli görüntüleme sistemlerinde görüş alanını büyütürken cihazın doğal çözünürlüğünü korumayı ve büyük ters problemlerin bellek yükünü azaltmayı amaçlamaktadır. Araştırmacılar, büyük ölçüm matrisini iki küçük matrise ayıran Kronecker çarpımı modelini, görüntü kenarları ile ince dokuları korumaya yönelik kesirli mertebeden toplam varyasyon düzenlileştirmesiyle birleştirerek KronFOTV-SPI adını verdikleri eğitim gerektirmeyen bir yöntem geliştirmiştir. Yöntem; 532 nm lazer, 1024×768 piksellik dijital mikroayna aygıtı, tek pikselli algılayıcı ve Hadamard aydınlatma desenleri kullanılan fiziksel bir optik sistemde sınanmıştır.

KronFOTV-SPI, USAF 1951 çözünürlük hedefini dijital mikroayna aygıtının bütün etkin alanını kullanarak 1024×768 piksel çözünürlükte yeniden oluşturmuştur. Sistem, geleneksel 128×128 piksellik tek pikselli görüntülemeye göre piksel alanı bakımından 48 kat daha geniş görüş alanı sağlarken 44,19 µm düzeyindeki çizgi çözünürlüğünü korumuştur. Büyük ölçüm matrisini açık biçimde saklamak yerine 1024×1024 ve 768×768 boyutlarında iki matris kullanılmasıyla bildirilen bellek gereksinimi 2 GiB’den yaklaşık 12,5 MiB’ye, ortalama yeniden yapılandırma süresi ise 14,210 saniyeden 6,2535 saniyeye düşmüştür.

Yöntem ayrıca gerçek bir Caladium bicolor yaprak örneğinde sınanmış ve geniş alan boyunca ana, ikincil ve ince ağsı damarların görüntülenebildiği bildirilmiştir. Bununla birlikte deneyler yalnızca iki hedef, tek dalga boyu, yüzde 100 örnekleme ve kontrollü laboratuvar koşullarıyla sınırlıdır. Bildirilen süre görüntü edinimini değil yalnızca hesaplama aşamasını temsil etmekte; düşük örnekleme oranları, zayıf ışık, hareketli nesneler, farklı saçılma seviyeleri ve bağımsız laboratuvarlarda tekrarlanabilirlik değerlendirilmemektedir.

Tek pikselli görüntüleme nasıl çalışır?

Tek pikselli görüntüleme (single-pixel imaging, SPI), sahnenin iki boyutlu görüntüsünü doğrudan piksel dizisine sahip bir kamera sensörüyle kaydetmez. Bunun yerine sahne art arda farklı uzamsal desenlerle aydınlatılır veya sahneden gelen ışık bu desenlerle modüle edilir. Her desen için sahneden gelen toplam ışık şiddeti, uzamsal çözünürlüğü bulunmayan tek bir algılayıcı tarafından ölçülür. Bilgisayar, bilinen desenlerle ölçülen toplam ışık değerleri arasındaki ilişkiyi çözerek görüntüyü yeniden oluşturur.

Bu yapı özellikle kızılötesi, terahertz, X-ışını veya bazı parçacık görüntüleme alanlarında, yüksek çözünürlüklü sensör dizilerinin pahalı ya da verimsiz olduğu durumlarda yararlı olabilir. Ancak görüntüdeki piksel sayısı büyüdükçe saklanması ve çözülmesi gereken ölçüm matrisi çok hızlı büyür.

Araştırmanın temel problemi nedir?

Geleneksel SPI modelinde görüntü vektörü ile ölçümler arasındaki ilişki şu şekilde ifade edilir:

\[ \mathbf{y} = \boldsymbol{\Phi}\mathbf{x} \]

• x: İki boyutlu görüntünün tek boyutlu hâle getirilmiş piksel vektörüdür.
• y: Tek pikselli algılayıcıdan elde edilen ölçüm vektörüdür.
• Φ: Her aydınlatma deseninin görüntü pikselleriyle ilişkisini içeren ölçüm matrisidir.

N×N piksellik bir görüntüde x vektörü N² öğe içerir. Ölçüm sayısı M=τN² olarak tanımlandığında Φ matrisinin boyutu M×N² olur. Tam örneklemede M=N² olduğundan matrisin toplam öğe sayısı N⁴ mertebesine çıkar.

Örneğin 128×128 piksellik bir görüntü için 16.384×16.384 öğelik çift duyarlıklı bir matris yaklaşık 2 GiB bellek gerektirir. Aynı yaklaşım 1024×768 piksellik bir görüntüye doğrudan uygulandığında matris boyutu ve hesaplama yükü sıradan bilgisayarların pratik sınırlarını aşar. Bu nedenle fiziksel olarak 1024×768 mikroaynaya sahip bir DMD kullanılsa bile birçok SPI sistemi yalnızca 128×128 veya 256×256 piksellik küçük bir bölümden yararlanır.

Mevcut geniş alan yöntemlerinin sınırları nelerdir?

Piksel birleştirmeli SPI

Piksel birleştirmeli SPI (pixel-binning SPI, PBSPI), küçük bir desenin her pikselini DMD üzerinde birden fazla mikroaynaya genişleterek daha büyük fiziksel alanı aydınlatır. Bu çalışmada her ölçüm pikseli 6×6 mikroayna bölgesine dönüştürülmüş ve 768×768 piksellik fiziksel görüş alanı elde edilmiştir.

Ancak 6×6 mikroayna tek ölçüm hücresi gibi davrandığı için cihazın doğal çözünürlüğü kullanılmaz. Şekil 2 ve Şekil 3’te PBSPI görüntüsündeki çizgilerin kalınlaştığı, küçük çizgi gruplarının birleştiği ve kenarların bloklu göründüğü izlenmektedir.

Paralel SPI

Paralel SPI (parallel SPI, PSPI), görüntü alanını küçük alt bölgelere ayırır ve bu bölgeleri birden fazla tek pikselli algılayıcıyla eş zamanlı olarak ölçer. Çalışmadaki PSPI düzeninde 4×4 adet 128×128 desen bölgesi ve 16 algılayıcı kullanılmış; toplam 464×464 piksellik alan oluşturulmuştur.

Bu yöntem görüş alanını genişletmekle birlikte daha karmaşık donanım, çoklu kanal kalibrasyonu ve alt görüntülerin birleştirilmesini gerektirir. Şekil 2 ve Şekil 3’te PSPI görüntüsünde alt bölgeler arasında arka plan parlaklığı farkları ve dikiş sınırları görülmektedir.

Derin öğrenmeli Kronecker yöntemleri

Önceki araştırmalarda Kronecker ölçüm modelleri derin açılım ağları ve Transformer tabanlı denoise modülleriyle birleştirilmiştir. Bu yöntemler yüksek görüntü kalitesi sağlayabilse de büyük eğitim veri kümeleri, yüksek eğitim maliyeti ve belirli optik sistemlere uyarlama gerektirebilir. KronFOTV-SPI ise öğrenilmiş bir ağ kullanmayan, fiziksel modele ve görüntü öncülüne dayalı yorumlanabilir bir optimizasyon yaklaşımı olarak sunulmuştur.

Kronecker çarpımı büyük matrisi nasıl küçültür?

Araştırmacılar görüntüyü tek boyutlu vektör hâline getirmek yerine iki boyutlu X matrisi olarak korumuştur. Ölçüm modeli şu biçime dönüştürülmüştür:

\[ \mathbf{Y} = \mathbf{A}\mathbf{X}\mathbf{B}^{\mathsf{T}} \]

• X ∈ R^N₁×N₂: Yeniden oluşturulacak iki boyutlu görüntüdür.
• Y ∈ R^M₁×M₂: İki boyutlu düzenlenmiş tek pikselli ölçümlerdir.
• A ∈ R^M₁×N₁: Görüntünün bir eksenindeki ölçüm matrisidir.
• B ∈ R^M₂×N₂: Diğer eksendeki ölçüm matrisidir.
• B^T: B matrisinin devriğidir.

Tam ölçüm matrisi şu ilişkiyle tanımlanır:

\[ \boldsymbol{\Phi} = \mathbf{B} \otimes \mathbf{A} \]

Buradaki ⊗ işareti Kronecker çarpımını gösterir. Bu yapı, büyük Φ matrisini doğrudan saklamak yerine A ve B matrislerini ayrı ayrı saklamaya olanak verir.

Geleneksel matris için bellek karmaşıklığı:

\[ O(M_1M_2N_1N_2) \]

Kronecker ayrıştırmasından sonra ise:

\[ O(M_1N_1 + M_2N_2) \]

mertebesine düşmektedir. Çalışmadaki tam örneklemeli durumda A matrisi 1024×1024, B matrisi 768×768 boyutundadır. Çift duyarlıklı 8 baytlık değerler kullanıldığında bu iki matrisin toplam bellek gereksinimi yaklaşık olarak şöyledir:

\[ (1024^2 + 768^2)\times 8 = 13.107.200\ \text{bayt} \approx 12,5\ \text{MiB} \]

Bu değer makalede bildirilen 12,5 MiB ile uyumludur.

Örnekleme oranı nasıl tanımlanmıştır?

Kronecker modelinde örnekleme oranı şu şekilde verilir:

\[ SR = \frac{M_1M_2}{N_1N_2} \]

M₁M₂ toplam ölçüm sayısını, N₁N₂ ise görüntüdeki toplam piksel sayısını ifade eder. Deneylerin ana karşılaştırmaları SR=%100 koşulunda yapılmıştır. Bu nedenle çalışma sıkıştırılmış, çok düşük örneklemeli bir görüntüleme başarısından çok, tam doğal çözünürlüğün hesaplama açısından yönetilebilir biçimde yeniden oluşturulmasına odaklanmaktadır.

Neden toplam varyasyon kullanılmıştır?

Doğal görüntülerde komşu pikseller genellikle birbirine benzer; büyük değişimler çoğunlukla nesne sınırlarında ve dokularda görülür. Toplam varyasyon (total variation, TV) düzenlileştirmesi, görüntünün gradyanlarının büyük bölümünü küçük tutarak gürültüyü bastırır ve kenarları korumaya çalışır.

Klasik TV birinci veya başka tam sayı mertebeli fark operatörlerine dayanır. Bu yaklaşım düz bölgelerde başarılı olsa da yumuşak ton geçişlerini basamaklara ayıran “merdivenlenme” artefaktı oluşturabilir ve ince dokuları aşırı düzleştirebilir.

Kesirli mertebeden toplam varyasyon (fractional-order total variation, FOTV), gradyanı tam sayı olmayan α mertebesinde tanımlar. Kesirli türev, yalnızca en yakın komşu piksellere değil daha geniş bir komşuluk geçmişine bağlı olduğundan yerel olmayan bir yapı taşır. Çalışmanın yaklaşımında bunun ince çizgi ve dokuları korurken gürültüyü azaltması hedeflenmiştir.

KronFOTV-SPI optimizasyon problemi nedir?

Önerilen yeniden yapılandırma problemi önce şu biçimde tanımlanmıştır:

\[ \underset{\mathbf{X}}{\operatorname{arg\,min}}\;FOTV_1^{\alpha}(\mathbf{X})\quad\text{koşuluyla}\quad \mathbf{Y}=\mathbf{A}\mathbf{X}\mathbf{B}^{\mathsf{T}} \]

Ayrık uygulamadaki karşılığı şöyledir:

\[ \underset{\mathbf{X}}{\operatorname{arg\,min}}\;\|\nabla^{\alpha}\mathbf{X}\|_1\quad\text{koşuluyla}\quad \mathbf{Y}=\mathbf{A}\mathbf{X}\mathbf{B}^{\mathsf{T}} \]

• ∇^αX: Görüntünün α mertebeli kesirli gradyanıdır.
• ||·||₁: Gradyan katsayılarının mutlak değerleri toplamıdır.
• Y=AXB^T: Yeniden oluşturulan görüntünün fiziksel ölçümlerle tutarlı olmasını sağlayan veri koşuludur.

Kesirli gradyan nasıl hesaplanmıştır?

Araştırmacılar Grünwald-Letnikov kesirli fark yaklaşımını kullanmıştır. İki boyutlu gradyan yatay ve dikey bileşenlerden oluşur:

\[ (\nabla^{\alpha}\mathbf{X})_{i,j} = \left[(\nabla_h^{\alpha}\mathbf{X})_{i,j}, (\nabla_v^{\alpha}\mathbf{X})_{i,j}\right] \]

Yatay bileşen:

\[ (\nabla_h^{\alpha}\mathbf{X})_{i,j} =\sum_{k=0}^{K}(-1)^k \binom{\alpha}{k}X_{i,j-k} \]

Dikey bileşen:

\[ (\nabla_v^{\alpha}\mathbf{X})_{i,j} =\sum_{k=0}^{K}(-1)^k \binom{\alpha}{k}X_{i-k,j} \]

Genelleştirilmiş binom katsayısı şu biçimdedir:

\[ \binom{\alpha}{k} =\frac{\Gamma(\alpha+1)} {\Gamma(k+1)\Gamma(\alpha-k+1)} \]

Gamma fonksiyonu ise:

\[ \Gamma(\tau)=\int_{0}^{\infty}e^{-x}x^{\tau-1}\,dx \]

α tam sayı olmadığında katsayılar, farklı uzaklıklardaki komşu piksellere farklı ağırlıklar verir. K değeri kesirli farkın kaç komşuya kadar hesaplanacağını belirler. Ancak deneylerde kullanılan K kesme uzunluğu açıkça raporlanmamıştır.

ADMM algoritması görüntüyü nasıl çözüyor?

Düzensiz ve türevlenmesi zor L1 terimini veri koşulundan ayırmak için Z=∇^αX yardımcı değişkeni tanımlanmıştır. Genişletilmiş Lagrange fonksiyonunda iki kısıt birlikte ele alınmıştır:

\[ \mathbf{Y}=\mathbf{A}\mathbf{X}\mathbf{B}^{\mathsf{T}} \]

ve

\[ \mathbf{Z}=\nabla^{\alpha}\mathbf{X} \]

Fonksiyonun temel yapısı şöyledir:

\[ \mathcal{L}_{\mu,\beta} =\|\mathbf{Z}\|_1 +\langle\mathbf{U},\mathbf{Y}-\mathbf{A}\mathbf{X}\mathbf{B}^{\mathsf{T}}\rangle +\frac{\mu}{2}\|\mathbf{Y}-\mathbf{A}\mathbf{X}\mathbf{B}^{\mathsf{T}}\|_F^2 +\langle\mathbf{V},\mathbf{Z}-\nabla^\alpha\mathbf{X}\rangle +\frac{\beta}{2}\|\mathbf{Z}-\nabla^\alpha\mathbf{X}\|_F^2 \]

• U ve V: İki kısıta ait Lagrange çarpanlarıdır.
• μ ve β: Veri tutarlılığı ile kesirli gradyan tutarlılığının ceza katsayılarıdır.
• ||·||_F: Frobenius normudur; matris elemanlarının kareleri toplamının kareköküdür.

Alternating Direction Method of Multipliers (ADMM), problemi iki alt adıma ayırır.

Önsel alt problem: Z güncellemesi

Z değişkeni yumuşak eşikleme işlemiyle güncellenir:

\[ \mathbf{Z}^{k+1} =\operatorname{soft} \left(\nabla^\alpha\mathbf{X}^{k} -\frac{\mathbf{V}^{k}}{\beta}, \frac{1}{\beta}\right) \]

Yumuşak eşikleme fonksiyonu:

\[ \operatorname{soft}(v,\sigma) =\max(|v|-\sigma,0)\operatorname{sgn}(v) \]

Bu işlem küçük kesirli gradyanları sıfıra yaklaştırarak gürültüyü bastırırken büyük gradyanların, yani kenar ve belirgin dokuların korunmasına çalışır.

Veri alt problemi: X güncellemesi

X değişkeni hem ölçümlere hem güncellenmiş kesirli gradyana uyacak şekilde hesaplanır. Euler-Lagrange denklemi şu yapıya sahiptir:

\[ \mu\mathbf{A}^{\mathsf{T}}\mathbf{A} \mathbf{X}\mathbf{B}^{\mathsf{T}}\mathbf{B} +\beta(\nabla^\alpha)^{\mathsf{T}}\nabla^\alpha\mathbf{X} =\mathbf{T}^{k} \]

Vektörleştirme sonrasında çözüm:

\[ \mathbf{X}^{k+1} =\operatorname{mat} \left(\mathbf{H}^{-1} \operatorname{vec}(\mathbf{T}^{k})\right) \]

olarak verilmiştir. Burada:

\[ \mathbf{H} =\mu(\mathbf{B}^{\mathsf{T}}\mathbf{B}) \otimes(\mathbf{A}^{\mathsf{T}}\mathbf{A}) +\beta(\nabla^\alpha)^{\mathsf{T}}\nabla^\alpha\mathbf{I} \]

ifadesi kullanılmaktadır. Algoritma gösteriminde H^-1 yazılmış olsa da 786.432 değişkenli bir problemde bu matrisin açık biçimde oluşturulup terslenmesi pratik değildir. Makale 12,5 MiB bellek tüketimi bildirdiğine göre uygulamada özel matris yapısından veya örtük işlemlerden yararlanılmış olması gerekir; ancak bu uygulama ayrıntısı açıkça açıklanmamıştır.

Lagrange çarpanlarının güncellenmesi

Her yinelemeden sonra ölçüm ve gradyan kısıtlarına ait çarpanlar güncellenir:

\[ \mathbf{U}^{k+1} =\mathbf{U}^{k} +\mu(\mathbf{Y}-\mathbf{A}\mathbf{X}^{k+1}\mathbf{B}^{\mathsf{T}}) \]

\[ \mathbf{V}^{k+1} =\mathbf{V}^{k} +\beta(\mathbf{Z}^{k+1}-\nabla^\alpha\mathbf{X}^{k+1}) \]

Ölçüm artığı ve önsel artığı yeterince küçüldüğünde veya azami yineleme sayısına ulaşıldığında algoritma sonlandırılır. Buna karşılık deneylerde kullanılan μ, β, tolerans δ, azami yineleme K ve başlangıç görüntüsü değerleri verilmemiştir.

Optik deney düzeneği nasıl kurulmuştur?

Şekil 1’in yer aldığı 9. sayfadaki üstten görünüş, ışığın sistem içindeki yolunu göstermektedir. Düzenek şu bileşenlerden oluşmuştur:

• 532 nm sürekli dalga lazer
• İki mercek ve bir iğne deliğinden oluşan 4f ışın genişletme sistemi
• Işık profilini düzgünleştiren uzamsal filtre
• Texas Instruments DLP V7000 dijital mikroayna aygıtı
• 1024×768 mikroayna çözünürlüğü
• 13,68×13,68 µm mikroayna aralığı
• Sıfırıncı kırınım mertebesini seçen iris
• Hedefe desenleri yansıtan görüntüleme merceği
• Geçen ışığı toplayan mercek
• Thorlabs PDA100A2 tek pikselli algılayıcı
• USB3133A veri toplama aygıtı

DMD’ye Cake-Cutting sıralı Hadamard desenleri 10 kHz hızında yüklenmiştir. Görüntüleme merceğinin büyütmesi 1,53× olarak ayarlanmıştır. İlk deney nesnesi, Grup 0’dan Grup 7’ye kadar çizgi çiftleri içeren negatif USAF 1951 çözünürlük hedefidir.

Karşılaştırılan dört yöntem nasıl yapılandırılmıştır?

USAF hedefi deneyinde ışık yoğunluğu 2,565 mW/cm², algılayıcı kazancı 20 dB ve örnekleme oranı %100 olarak tutulmuştur.

Şekil 2 görüş alanı ve çözünürlük açısından ne göstermektedir?

11. sayfadaki Şekil 2, dört yöntemin aynı çözünürlük hedefindeki kapsama alanlarını ve çizgi profillerini karşılaştırmaktadır.

• TSPI: İnce çizgileri seçebilmektedir ancak yalnızca hedefin küçük bir bölümünü görüntüler.
• PBSPI: Daha geniş alanı kapsar fakat piksel birleştirmesi nedeniyle küçük çizgiler bulanıklaşır.
• PSPI: TSPI’ye göre daha geniş alan sunar; alt alan sınırlarında parlaklık ve dikiş farklılıkları görülür.
• KronFOTV-SPI: Hedefin tamamını 1024×768 pikselde, belirgin çizgi ve kenarlarla yeniden oluşturur.

Çizgi yoğunluk profillerine göre TSPI ve PSPI, Grup 3 Eleman 4’e karşılık gelen 44,19 µm çizgi çözünürlüğüne ulaşmıştır. KronFOTV-SPI de aynı 44,19 µm çözünürlüğü bütün geniş alan boyunca korumuştur. PBSPI’nin ayırt edebildiği en küçük çizgi aralığı ise Grup 2 Eleman 2’ye karşılık gelen 111,36 µm olarak bildirilmiştir.

Görüş alanındaki artış nasıl hesaplanmalıdır?

Piksel sayısı temelinde geleneksel yöntemle karşılaştırma şöyledir:

\[ \frac{1024\times768}{128\times128}=48 \]

Bu nedenle bildirilen 48 katlık görüş alanı artışı Tablo 1 ile uyumludur.

Paralel SPI’ye göre piksel alanı oranı ise:

\[ \frac{1024\times768}{464\times464}\approx3,65 \]

Piksel birleştirmeli SPI’ye göre:

\[ \frac{1024\times768}{768\times768}\approx1,33 \]

olmaktadır. Bu değerler makalenin özet ve sonuç bölümünde paralel SPI ve PBSPI için verilen 1,8× ve 2,2× oranlarıyla uyuşmamaktadır. Yatay veya dikey doğrusal boyutlar ayrı ayrı karşılaştırıldığında da tek bir 1,8× ve 2,2× çifti elde edilmemektedir. Bu nedenle ilgili iki oran özgün metinde açıklama veya düzeltme gerektirmektedir.

Bellek ve işlem süresi sonuçları nelerdir?

Denemeler MATLAB R2020b, Intel Core i5-12490F işlemci, 32 GB RAM ve Windows 10 kullanılan bir bilgisayarda yapılmıştır. Değerler 20 tekrarın ortalaması olarak bildirilmiştir.

KronFOTV-SPI’nin bellek kullanımı, 2 GiB’nin yaklaşık %0,61’idir; başka bir ifadeyle geleneksel matrisin yaklaşık 164’te biri kadardır. İşlem süresi TSPI’nin yaklaşık %44’ü, PSPI’nin ise yaklaşık %4,6’sıdır.

Bu süreler yalnızca bilgisayardaki yeniden yapılandırmayı göstermektedir. 1024×768 piksellik tam örneklemede 786.432 desen gerekir. Desenler 10 kHz hızında gösteriliyorsa, bir desenin bir ölçüme karşılık geldiği ve ek gecikme bulunmadığı varsayımıyla asgari desen gösterim süresi:

\[ \frac{786.432}{10.000}\approx78,64\ \text{saniye} \]

olacaktır. Dolayısıyla çalışma, toplam uçtan uca görüntü edinimini 6,25 saniyede gerçekleştirdiğini göstermemektedir.

Şekil 3 görüntü kalitesi açısından ne anlatmaktadır?

13. sayfadaki Şekil 3, her yöntemin yeniden yapılandırılmış görüntüsünü ve merkez bölgesinin büyütülmüş görünümünü sunmaktadır. PBSPI büyütmesinde kareleşme ve çizgi birleşmesi belirgindir. PSPI’nin geniş görüntüsünde farklı alt bölgeler arasında arka plan uyumsuzluğu görülmektedir. KronFOTV-SPI, daha geniş alanı kapsarken çizgi gruplarını TSPI’ye yakın keskinlikle göstermektedir.

Referanssız görüntü kalitesi ölçütleri ne göstermiştir?

Çalışmada hizalanmış bir gerçek referans görüntüsü elde etmenin zor olduğu gerekçesiyle BRISQUE, NIQE ve PIQE adlı üç referanssız görüntü kalitesi ölçütü kullanılmıştır. Bu üç ölçütte daha düşük değer daha yüksek algısal kalite olarak yorumlanmaktadır.

KronFOTV-SPI en düşük NIQE değerini vermiş, BRISQUE açısından TSPI ve PSPI ile aynı sonucu almıştır. Bununla birlikte PIQE değeri TSPI ve PSPI’den daha yüksektir. Dolayısıyla USAF hedefinde önerilen yöntem bütün kalite ölçütlerinde en iyi değildir; geniş görüş alanına rağmen küçük alanlı TSPI’ye yakın kaliteyi koruduğu söylenebilir.

BRISQUE ve NIQE gibi ölçütlerin doğal görüntü istatistiklerine dayanması, ikili çizgilerden oluşan USAF hedefinde yorumlarını sınırlayabilir. Ayrıca bu ölçütler, bilinen referansa dayalı PSNR, SSIM veya modülasyon transfer fonksiyonu ölçümünün yerini bütünüyle tutmaz.

Kesirli mertebe α neden 1,4 seçildi?

15. sayfadaki Şekil 4’te α katsayısı 0,2 ile 2,0 arasında değiştirilmiştir. Her değer için 20 tekrar yapılmış ve kalite ölçütlerinin ortalama ile standart sapmaları gösterilmiştir.

• α=0,6: Düzenlileştirme zayıf kalmış; arka plan gürültülü, kontrast düşük ve küçük çizgiler belirsiz görünmüştür.
• α=1,0: Gürültü azalmış ancak ince ayrıntılar optimum düzeye ulaşmamıştır.
• α=1,4: PIQE en düşük düzeye ulaşmış ve görsel olarak gürültü–ayrıntı dengesi en iyi bulunmuştur.
• α=1,8: Görüntü daha fazla yumuşamış ve yüksek frekanslı ayrıntı kaybı görülmüştür.

BRISQUE eğrisi α boyunca neredeyse sabit kalmış, NIQE ise α arttıkça düşmeye devam etmiştir. Bu nedenle α=1,4 bütün ölçütlerin aynı anda matematiksel minimumu değildir. Seçim esas olarak PIQE minimumu ve görsel ayrıntı–gürültü dengesiyle gerekçelendirilmiştir.

Gerçek yaprak örneğinde ne bulundu?

İkinci deneyde saçılma gösteren kurutulmuş bir Caladium bicolor yaprağı kullanılmıştır. Aydınlatma yoğunluğu 6,86 mW/cm², algılayıcı kazancı 20 dB olarak ayarlanmıştır.

16. sayfadaki Şekil 5’in referans görüntüsünde dört yöntemin kapsadığı alanlar renkli kutularla gösterilmektedir:

• Mavi: KronFOTV-SPI
• Mor: PBSPI
• Yeşil: PSPI
• Kırmızı: TSPI

KronFOTV-SPI yaprağın tamamına yakın geniş bir bölümünü kapsarken ana damarları, ikincil yan damarları ve merkezdeki ince ağsı damar yapısını korumuştur. PBSPI görüntüsü bloklu ve bulanık, PSPI görüntüsü düzensiz arka planlı, TSPI görüntüsü ise keskin fakat çok küçük alanlı görünmektedir.

Şekilde büyütülmüş merkez damar bölgesi için gösterilen yuvarlatılmış BRISQUE/NIQE/PIQE değerleri şöyledir:

Önerilen yöntem BRISQUE ve PIQE bakımından en düşük değerleri vermiştir. NIQE değerleri şekilde iki ondalığa yuvarlandığında bütün yöntemlerde 18,88 görünmektedir; bu nedenle bu görselden NIQE açısından kesin üstünlük çıkarılamaz.

Yöntemin güçlü yönleri nelerdir?

• DMD’nin 1024×768 piksellik bütün etkin alanını tek algılayıcıyla kullanmıştır.
• Geleneksel büyük ölçüm matrisini iki küçük matrise ayırarak bellek tüketimini önemli ölçüde azaltmıştır.
• Derin öğrenme eğitimi veya büyük eğitim veri seti gerektirmemektedir.
• Fiziksel modele dayalı olduğu için işlem adımları öğrenilmiş bir kara kutuya göre daha yorumlanabilirdir.
• Standart çözünürlük hedefi üzerinde 44,19 µm çizgi çözünürlüğünü geniş alan boyunca korumuştur.
• Gerçek yaprak örneğinde farklı ölçeklerdeki damar yapılarının görüntülenmesini sağlamıştır.
• 16 algılayıcılı PSPI’ye karşı yalnızca tek algılayıcı kullanmıştır.
• İşlem süresi ve bellek ölçümleri 20 tekrar üzerinden raporlanmıştır.

Çalışmanın sınırlılıkları nelerdir?

• Preprint durumu: Çalışma hakem değerlendirmesinden geçmemiştir.
• Sınırlı hedef çeşitliliği: Yalnızca USAF 1951 hedefi ve bir yaprak örneği kullanılmıştır.
• Tam örnekleme: Ana sonuçlar %100 örnekleme oranına dayanır; düşük ölçüm sayısındaki performans gösterilmemiştir.
• Toplam edinim süresi: 6,25 saniye yalnızca yeniden yapılandırmadır; desen gösterimi ve veri toplama süresi buna dâhil değildir.
• Hareketli nesneler: Yaklaşık yüz binlerce ardışık ölçüm sırasında nesne hareketinin etkisi sınanmamıştır.
• Düşük ışık performansı: Farklı foton seviyeleri, dedektör gürültüsü veya sinyal-gürültü oranları sistematik olarak değerlendirilmemiştir.
• Parametre eksikliği: μ, β, tolerans, azami yineleme ve kesirli fark kesme uzunluğu raporlanmamıştır.
• Uygulama ayrıntısı: Büyük H matrisinin pratikte nasıl terslendiği veya örtük biçimde çözüldüğü açıklanmamıştır.
• FOV oranı tutarsızlığı: Paralel ve piksel birleştirmeli yöntemlere göre bildirilen 1,8× ve 2,2× oranları tablo boyutlarıyla uyuşmamaktadır.
• Kalite ölçütleri: USAF hedefinde referanssız doğal görüntü kalite ölçütleri kullanılmış, tam referanslı hata ölçütleri verilmemiştir.
• İstatistiksel karşılaştırma: Ortalama ve standart sapmalar sunulmasına rağmen yöntemler arası farklar için istatistiksel anlamlılık testi yapılmamıştır.
• Genellenebilirlik: Biyomedikal görüntüleme, uzaktan algılama ve endüstriyel muayene uygulamaları deneysel olarak gösterilmemiş, yalnızca olası kullanım alanları olarak sunulmuştur.

Çalışmanın desteklediği sonuçlar

• Kronecker ayrıştırması, 1024×768 piksellik tam ölçüm matrisini açık biçimde saklama ihtiyacını azaltmıştır.
• Önerilen deney düzeninde DMD’nin bütün doğal piksel alanı tek algılayıcıyla kullanılmıştır.
• USAF hedefinde 44,19 µm çözünürlük geniş görüş alanı boyunca korunmuştur.
• FOTV katsayısı α=1,4, incelenen USAF hedefinde PIQE ve görsel ayrıntı dengesi bakımından uygun bulunmuştur.
• Yaprak örneğinde KronFOTV-SPI, karşılaştırılan yöntemlere göre daha geniş ve ayrıntılı damar ağı görüntüsü üretmiştir.
• Belirtilen bilgisayar ve MATLAB uygulamasında 12,5 MiB bellek ve yaklaşık 6,25 saniye işlem süresi ölçülmüştür.

Çalışmanın kanıtlamadığı sonuçlar

• Sistem gerçek zamanlı 1024×768 tek pikselli video görüntüleme göstermemiştir.
• Toplam görüntü ediniminin 6,25 saniyede tamamlandığı gösterilmemiştir.
• Düşük örnekleme oranlarında aynı kalite ve çözünürlüğün korunacağı kanıtlanmamıştır.
• Hareketli canlı doku veya klinik görüntüleme başarısı gösterilmemiştir.
• Biyomedikal tanı, hastalık saptama veya güvenli klinik kullanım kanıtı sunulmamıştır.
• Farklı laboratuvarlarda, farklı DMD aygıtlarında veya farklı dalga boylarında tekrarlanabilirlik değerlendirilmemiştir.
• KronFOTV-SPI’nin bütün görüntüler ve bütün gürültü koşullarında diğer yöntemlerden üstün olduğu gösterilmemiştir.

Teknoloji ve uygulama açısından sonuçlar ne ifade etmektedir?

Çalışmanın en somut katkısı, fiziksel modülatörün bütün piksellerinden yararlanmayı engelleyen bellek darboğazını azaltmasıdır. Bu yaklaşım özellikle görünür ışık dışında çalışan, yüksek çözünürlüklü sensör dizilerinin bulunmadığı veya pahalı olduğu görüntüleme sistemlerinde değerlendirilebilir.

Kronecker modeli gelecekte daha yüksek çözünürlüklü DMD, sıvı kristal uzamsal ışık modülatörü, dönen kodlama diski, LED dizisi veya lazer dizisi gibi farklı modülatörlerle birleştirilebilir. Makalede teorik çözünürlük üst sınırı şu biçimde ifade edilmiştir:

\[ N_{\max}=N_{\mathrm{SLM}} \]

Burada N_SLM, modülasyon aygıtının toplam piksel sayısıdır. Çalışmadaki DMD için:

\[ 1024\times768=786.432\approx7,86\times10^5 \]

uzamsal serbestlik derecesi bulunmaktadır. Bu eşitlik modülatörün bütün piksellerinin ayrı ayrı kodlanabildiğini belirtir; optik kırınım sınırı, mercek kalitesi, DMD piksel görüntülemesi, sinyal-gürültü oranı ve mekanik kararlılık gibi gerçek sistem sınırlamalarını ortadan kaldırmaz.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

Ana nicel bulgular

• KronFOTV-SPI görüş alanı: 1024×768 piksel
• DMD uzamsal kullanımı: %100
• Geleneksel 128×128 SPI’ye göre piksel alanı artışı: 48 kat
• KronFOTV-SPI çözünürlüğü: 44,19 µm
• PBSPI çözünürlüğü: 111,36 µm
• KronFOTV-SPI bellek kullanımı: 12,5 MiB
• Geleneksel yöntemlerin bellek kullanımı: 2 GiB
• KronFOTV-SPI ortalama yeniden yapılandırma süresi: 6,2535 saniye
• TSPI ortalama yeniden yapılandırma süresi: 14,210 saniye
• PBSPI ortalama yeniden yapılandırma süresi: 14,919 saniye
• PSPI ortalama yeniden yapılandırma süresi: 135,54 saniye
• USAF hedefinde en düşük NIQE: KronFOTV-SPI, 18,8688 ± 0,0004
• USAF hedefinde en düşük PIQE: TSPI, 52,1962 ± 3,1968
• Yaprak merkez bölgesinde KronFOTV-SPI BRISQUE/NIQE/PIQE: 35,45/18,88/17,43

Şekillerin temel mesajları

Yeniden üretilebilirlik için eksik bilgiler

• ADMM ceza parametreleri μ ve β
• Durdurma toleransı δ
• Azami yineleme sayısı
• Başlangıç görüntüsü
• Kesirli gradyanın K kesme uzunluğu
• H matrisinin pratik çözüm yöntemi
• DMD ile DAQ arasındaki tam senkronizasyon düzeni
• Ölçüm başına entegrasyon süresi
• Toplam veri edinim süresi
• Kaynak kodu ve deney verilerinin açık deposu

Kaynak ve Yöntem Notu

• Çalışmanın tam özgün adı: Wide-field, native-resolution single-pixel imaging via Kronecker product modeling and fractional-order total variation regularization
• Yazarlar ve sıraları: Qi Zhou; Xiaohui Zhu; Yanfeng Bai; Jintao Zhai; Jian Li; Xiaoqian Liang; Weijun Zhou; Wei Tan; Xianwei Huang; Xiquan Fu
• Eş katkı: Qi Zhou ve Xiaohui Zhu çalışmaya eşit katkı sunmuştur.
• Sorumlu yazarlar: Xiaohui Zhu, Yanfeng Bai, Xianwei Huang ve Xiquan Fu
• Kurum 1: College of Computer Science and Electronic Engineering, Hunan University, Changsha, Çin
• Kurum 2: Yuelushan Center for Industrial Innovation, Changsha, Çin
• Kurum 3: School of Electrical and Information Engineering, Hunan Institute of Engineering, Xiangtan, Çin
• Kaynak türü: Deneysel preprint araştırma makalesi
• Hakemlik durumu: Bu çalışma bir preprinttir ve hakem değerlendirmesinden geçmemiştir.
• Yayın platformu: SSRN
• SSRN yayın tarihi: 18 Haziran 2026
• DOI: 10.2139/ssrn.6963127
• SSRN kayıt numarası: 6963127
• Hakemli dergi: Hakemli bir dergi sürümü doğrulanamamıştır.
• Özgün hakemli yayınevi: Bu preprint sürümü üzerinden doğrulanamamıştır.
• Resmî bağlantı:SSRN çalışma sayfası
• Veri erişimi: Makale, verilerin talep üzerine paylaşılacağını belirtmektedir; açık veri deposu verilmemiştir.
• Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını bildirmiştir.

Bu Verianla makalesi, yüklenen 24 sayfalık PDF’nin ana metni, matematiksel modeli, optimizasyon algoritması, deney koşulları, tabloları, grafik ve görüntü karşılaştırmaları, tartışması ve sonuç bölümü incelenerek hazırlanmıştır. PDF’de bulunmayan bir deneysel başarı, klinik yarar veya endüstriyel saha doğrulaması eklenmemiştir. Dış kaynak yalnızca SSRN kaydı, DOI, yükleme tarihi ve bibliyografik kimliği doğrulamak amacıyla kullanılmıştır.

Çalışmanın sonuçları laboratuvar ölçeğinde, kontrollü optik düzende ve iki durağan deney nesnesi üzerinde elde edilmiştir. KronFOTV-SPI’nin biyomedikal görüntüleme, endüstriyel muayene veya uzaktan algılamada doğrudan kullanıma hazır olduğu gösterilmemiştir. Gerçek uygulamalar için daha düşük örnekleme oranları, hareket, değişken ışık seviyesi, farklı dalga boyları, saçılma, kalibrasyon hataları, toplam edinim süresi ve bağımsız sistemlerde tekrarlanabilirlik değerlendirilmelidir.